این روزها نتیجه چندین پروژه مدلسازی رای تخمین تعداد مبتلایان و مرگ و میر ناشی از کرونا را مرور کرده‌ام. اول ببینیم چه نتایج محتملی در این مدل‌ها به دست آمده است:

  • سناریوهای بدبینانه صحبت از چیزی در حدود پنج میلیون مبتلا و چیزی در حد صد هزار تلفات می‌کنند.
  • سناریوهای خوش‌بینانه‌تر صحبت از بین صد هزار تا پانصد هزار مبتلا و چیزی بین دو هزار تا ده هزار تلفات می‌کنند.

خب فرق این مدل‌‌ها یا سناریوها در چیست که چنین تفاوت عظیمی (در حد مرگ نزدیک به صد هزار انسان) در تخمین‌های‌‌شان دارند؟

برای درک این تفاوت باید به همان «نرخ بازتولید پایه» یا RO برگردیم. همان طور که در این پست توضیح دادم، موتور محرکه رشد بیماری در جامعه نرخ بازتولید پایه است و میزان مبتلایان به شدت به مقدار این پارامتر بستگی دارد.

نکته این است که پارامتر «نرخ بازتولید پایه» در هفته‌های اولیه خیلی بین مدل‌ها تفاوت ندارد. تفاوت جایی است که مدل‌های خوش‌بینانه‌تر فرض می‌کنند که نرخ بازتولید پایه به مرور زمان و با گسترش بیماری پایین می‌آید و به جایی می‌رسد که جمعیت نهایی مبتلایان روی چند صد هزار نفر هم‌گرا می‌شود. ولی چرا این پارامتر پایین می‌آید؟ چون رفتار جامعه پس از مشاهده بیماری تغییر می‌کند.

معنی این حرف‌ها در واقعیت یعنی چه؟ یعنی در عین حال که می‌توان استرس اضافی و بیهوده نداشت و امیدوار بود که شرایط بحرانی و آخرالزمانی نشود، باید حسابی نگران بود و بسیار احتیاط کرد. ولی خب بخش ظاهرا پاراداکسیکال قضیه این است که سناریوی خوش‌بینانه و کم‌هزینه فقط وقتی اتفاق می‌افتد که همه جامعه و حاکمیت سناریوی بدبینانه را حسابی جدی بگیرند، احتمال وقوع آن را باور کنند و تمام اقدامات احتیاطی را به گونه‌ای انجام بدهند که انگار وضعیت بد همین الان محقق شده است.

این وضعیت ظاهرا متناقض‌نما (یعنی تا حدی آسودگی خیال در عین باور به وضعیت آخر الزمانی) به همان ذات پیش‌بینی در علوم اجتماعی بر می‌گردد که در موردش بارها نوشته‌ام: در علوم اجتماعی خیلی از پیش‌بینی‌ها منتشر می‌شود تا جلوی به وقوع پیوستن‌شان را بگیرند! آدم‌ها وقتی از نتیجه وضعیت منفعل بترسند، رفتارشان را طوری تغییر می‌دهند که آن نتیجه حاصل نشود.

برای این‌که حس عددی به‌تری از سناریوی محتمل پیدا کنیم: با نرخ بازتولید فعلی، تعداد بیماران تقریبا هر ۵-۶ روز یک بار دو برابر می‌شود. این یعنی این‌که اگر نرخ تغییر نکند، ظرف دو ماه تعداد بیماران به نزدیک هزار برابر عدد فعلی می‌رسد.

خب مردم که تلاش‌شان را می‌کنند ولی حکومت چه وظیفه‌ای دارد؟ اگر توضیفی که در این‌جا گفتیم را باور کنیم، اولین وظیفه حکومت این می‌شود که واقعیت‌ها را در مورد کرونا کتمان نکند یا آن‌ها را کوچک جلوه ندهد. هر قدر که رفتارهای پنهان‌کارانه بیش‌تر اتفاق بیفتد، احتمال وقوع سناریوی بدبینانه بیش‌تر می‌شود و خدا هرگز روزی را نیاورد که نشود ده‌ها هزار مرگ اضافه در چند ماه را از دنیا پنهان کرد. دوباره تکرار می‌کنیم: اگر می‌خواهیم به آن‌ نقطه نرسیم از همین لحظه احتمال وقوع سناریوی بدبینانه را باور کنیم و طوری رفتار کنیم که انگار آن‌جا هستیم. در این صورت به احتمال قوی به آن‌جا نمی‌رسیم.

مقاله قبلیمقاله بعدی
استادیار اقتصاد مالی
Stevens Institute of Tech

تاثیر شرایط جوی بر گسترش بیماری کوید نوزده: تخمین‌ها و پیش‌بینی‌ها

رن شو (دانشگاه کانتیکِت)، هژیر رحمانداد (اِم‌آی‌تی)، ماریچی گوپتا (بیمارستانِ MGH)، کترین دی‌جِنارو (بیمارستانِ MGH)، نوید غفارزادگان (ویرجینا تِک)، حسن امینی (دانشگاه کُپِنهاگ) و محمد جلالی (دانشگاه هاروارد و بیمارستانِ MGH)

تماس: محمد جلالی msjalali@mgh.harvard.edu

خلاصه

مقدمه: تحلیل و پیش‌بینیِ روند گسترش بیماری کوید نوزده، نیاز به تخمینِ میزانِ تاثیر شرایط آب و هوایی بر گسترش بیماری دارد. مطالعات گذشته محققین در این زمینه با تناقضاتی در نتایج همراه بوده‌است. در این مقاله، نویسندگان، ضمنِ جمع‌آوری یکی از گسترده‌ترین مجموعه داده‌های موجود از نقاط مختلف دنیا، به تخمین تاثیر شرایط جوی و پیش بینی ریسک گسترشِ بیماری، در ماه‌های آتی، و در نقاط مختلف دنیا می‌پردازند.

رویکرد: این مقاله مبتنی بر استفاده از روش‌های مختلف تحقیق اعم از مدل‌های آماری و شبیه‌سازی و استفاده از کلان‌داده است. داده‌های جمع‌آوری شده،  شامل تعدادِ بیماران بر مبنای گزارش‌های رسمی در 3739 منطقه دنیا، از تاریخ 12 دسامبر تا 22 آوریل سال 2020، و متغیرهای متعدد جوی و منطقه‌ای است. در این مقاله، ابتدا با استفاده از مدل‌های شبیه‌سازی، چالش‌های پیش‌رو در تخمین تاثیر شرایط آب و هوایی بر گسترش بیماری بررسی شده است و نشان داده می‌شود که، از نظر متدولوژیک، دست‌ِکم گرفتن اهمیتِ توزیع آماریِ بازه زمانی میان آغاز بیماری، شناسایی بیماری، و گزارش آن، می‌تواند به تخمین‌های نادرست بیانجامد. این مشکل از آنجا ناشی می‌شود که برای بررسی تاثیر دما باید دمای روزانه با تعداد مبتلایان همان روز مقایسه شود، حال آنکه زمان نسبتا طولانی و متغیر میان آغاز ابتلا و شناسایی موارد ابتلا وجود دارد. از این رو تخمین تاثیر شرایط آب و هوایی بر بیماری نیز مشکل می‌شود. در این مطالعه، ابتدا الگوریتمی ارائه شده است که زمان آغاز بیماری با استفاده از گزارش‌های رسمی تخمین زده شود. سپس مدلِ آماری این مطالعه، در محیطِ شبیه‌سازی، طراحی و آزمایش شده است. پس از سنجش اعتبارِ مدل، از داده‌های اصلی برای بررسی همبستگی متغیرهای جوی و متغیر بازتولید کننده استفاده شده است. مدل آماری نهایی، علاوه بر متغیرهای جوی، شامل متغیرهای مختلف محیطی، اعم از چگالی شهری، و روند تغییرات در هر منطقه است. نهایتا، از تخمین‌های بدست آمده برای بررسیِ (کاهشِ) ریسکِ ناشی از تغییرات دما بر گسترش بیماری در مناطق مختلف، استفاده شده است.

نتایج: تغییرات آب و هوایی می‌تواند تا حدودی بر (کاهشِ) گسترش بیماری تاثیر‌گذار باشد. میزان تاثیر شرایط جوی قابل ملاحظه است، اما، به خودیِ خود، کافی نیست. به طور مشخص، پس از دمای بیست و پنج درجه سانتیگراد، به ازای هر درجه افزایشِ دما، قدرت بازتولید کنندگی ویروس، تقریبا سه و یک‌دهم درصد کم می‌شود (بازه اطمینان 95 درصد: بین یک و نیم درصد، تا چهار و هشت‌دهم درصد). یعنی ده درجه افزایش دما از 25 تا 35 درجه سانتیگراد، با فرض ثابت بودن سایر عوامل همچون رطوبت هوا، منجر به کاهش سی و یک درصدی عدد بازتولید کننده می‌شود. در مناطق مرطوب‌تر، تاثیر بازدارندگی گرمایش، به مراتب بیشتر خواهد بود. علاوه بر این متغیرها، تاثیر وزش باد، میزان آفتاب، برف و بارندگی نیز بررسی شده است. در کل، به نظر می‌رسد که تفاوت شرایط آب و هوایی، تا 43 درصد، قادر به توضیح تفاوت میزانِ شیوع بیماری در نقاط مختلف دنیاست. شکل 1، تخمین ریسک ناشی از تغییرات جوی بر گسترش بیماری را در برخی از شهرهای ایران نشان می‌دهد.

شکل 1 – ریسک ناشی از تغییرات جویِ گسترش کرونا در شهرهای مختلف ایران – برای درک بهتر شکل باید به تغییرات نسبی هر نمودار توجه شود. مثلا در نمودار تهران، ریسک گسترش بیماری در ماههای تابستان حدودا 30 درصد کمتر از ماههای میانیِ زمستان است (تفاوتِ هفت دهم، و نود و پنج صدم). برای بسیاری دیگر از مناطق ایران و جهان به این سایت مراجعه کنید: https://projects.iq.harvard.edu/covid19

میزان تاثیرات قابل ملاحظه است. هر چند تخمین‌های موجود در این مطالعه با احتیاط همراه بوده و احتمالا تخمین پایین‌دستی است، اما باز هم به نظر نمی‌رسد که تغییرات آب و هواییِ فصلی، به تنهایی، قادر به کنترل بیماری باشد و برای کنترل بیماری به ادامه برخی از سیاستها در سطح کشور نیاز است. برای بررسی بسیاری دیگر از شهرها و مناطق دنیا می توانید به سایت این پژوهش مراجعه کنید. علاقه‌مندان به مباحث تخصصی را به مطلب اصلی ارجاع می‌دهیم.

سایت پژوهش: https://projects.iq.harvard.edu/covid19

مقاله اصلی:

Xu, R., Rahmandad, H., Gupta, M., DiGennaro, C., Ghaffarzadegan, H., Amini, N., Jalali, M., Weather Conditions and COVID-19 Transmission: Estimates and Projections. Available at https://www.medrxiv.org/content/10.1101/2020.05.05.20092627v1  

اخبار نگران کننده؛ «احتیاط» هنوز اولویت اول

نوید غفارزادگان

در ادامه مطالب قبلی (+و ++) به داده های رسمی جدید بیماری در ایران نگاه می کنیم:

یکی از پارامترهای مهم در بررسی روند شیوع بیماری، متغییر بازتولید کننده Reproduction number است. این متغیر نشان می دهد که هر بیمار در زمان بیماری چند نفر جدید را بیمار می کند. می دانیم که اگر این متغیر بالاتر از یک باشد، روند رشد، فزاینده خواهد بود. دسترسی به داده های واقعی به دلیل محدودیت های تست (اعم از میزان و دقت تست) میسر نیست. از طرف دیگر داده های تست عموما تاخیر ده روزه نسبت به زمان آغاز بیماری دارند. با تمام این محدودیت ها اگر فرض کنیم تعداد گزارشِ بیماران جدید، نسبت ثابتی از بیماران واقعی در ده روز گذشته است می توانیم متغییر بازتولید کننده را تخمین بزنیم. با همین روش به نمودار زیر می رسیم:

این نمودار نشان می دهد که متاسفانه این متغیر، حدودا سیزده روز پیش، عدد یک را پشت سرگذاشته است که روند بسیار نگران کننده ای است. در صورتی که این روند ناشی از نویز در گزارشها نباشد، بیانگر این است که موج دوم بیماری در راه است. امیدواریم این طور نباشد. ضمن این که چون ارقام اعلام شده، کشوری است، دقیقا معلوم نیست چه منطقه ای و چه استانی با این مشکل روبروست. به هر حال سیاستگذاران و مردم باید بسیار به‌هوش باشند، از بازگشایی مراکزی که به تجمع زیاد منجر می‌شود خودداری شود، و از بیرون رفتن های غیرضروری بکاهند.